期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于表观扩散系数影像组学在鉴别前列腺癌Gleason评分分级分组中的应用 被引量：12
1
作者 赵士玉 刘子桢 +2 位作者 卢山 郭瑜 沈文 《临床放射学杂志》 北大核心 2022年第2期298-302,共5页
目的探讨基于表观扩散系数(ADC)影像组学模型对前列腺癌(PCa)Gleason评分分级分组(GG)≤2与GG>2的鉴别诊断价值。方法搜集符合入组标准的PCa患者行MR检查。提取PCa ADC影像组学特征,采用多种后处理方法,训练支持向量机(SVM)、线性判... 目的探讨基于表观扩散系数(ADC)影像组学模型对前列腺癌(PCa)Gleason评分分级分组(GG)≤2与GG>2的鉴别诊断价值。方法搜集符合入组标准的PCa患者行MR检查。提取PCa ADC影像组学特征,采用多种后处理方法,训练支持向量机(SVM)、线性判别分析(LDA)、自编码器(AE)、随机森林(RF)、逻辑回归(LR)、LR-Lasso、AB、决策树(DT)、高斯过程(GP)和朴素贝叶斯(NB)10个机器模型,分析鉴别GG≤2与GG>2最佳模型。结果最佳后处理组合是经上采样平衡数据、Z-score归一化、主成分分析(PCA)降维和递归特征消除(RFE)特征选择组合后的AE模型机器学习,AE模型机器学习训练组准确率、曲线下面积(AUC)、敏感度及特异度分别65.0%、0.705、51.1%、82.9%;测试组准确率、AUC、敏感度及特异度分别88.2%、0.930、89.5%、86.7%。结论 AE模型机器学习鉴别GG≤2与GG>2效果最佳,进而对PCa的治疗方案及预后评估起到指导性作用。 展开更多
关键词 前列腺癌 gleason评分分级分组 表观扩散系数 鉴别诊断
原文传递
双参数磁共振影像组学联合PSAD在前列腺癌Gleason分级分组中的应用价值
2
作者 任大彬 卫雨果 +2 位作者 刘丽秋 徐祖良 汪国余 《中国现代医生》 2024年第25期30-34,39,共6页
目的探讨双参数磁共振成像(biparametric magnetic resonance imaging,bpMRI)影像组学联合前列腺特异性抗原密度(prostate-specific antigen density,PSAD)在低、高级别前列腺癌(prostate carcinoma,PCa)中的诊断价值。方法回顾性分析2... 目的探讨双参数磁共振成像(biparametric magnetic resonance imaging,bpMRI)影像组学联合前列腺特异性抗原密度(prostate-specific antigen density,PSAD)在低、高级别前列腺癌(prostate carcinoma,PCa)中的诊断价值。方法回顾性分析2018年6月至2022年10月台州市中心医院经病理证实为PCa患者的临床及影像资料。根据Gleason分级分组(Gleason grade group,GGG),将GGG≤2定义为低级别PCa,GGG>2定义为高级别PCa。按7∶3比例将不同级别的PCa患者随机分为训练组和测试组。基于T2加权成像(T2 weighted imaging,T2WI)、表观扩散系数(apparent diffusion coefficient,ADC)序列提取影像组学特征,采用最大相关最小冗余、最小绝对收缩和选择算子进行特征选择和降维,并进行5倍交叉验证,保留最佳特征组合构建影像组学模型。通过受试者操作特征曲线(receiver operating characteristic curve,ROC曲线)和Delong检验评估各模型的诊断性能。采用决策曲线分析(decision curve analysis,DCA)评价模型的临床效用。结果所有模型中,T2WI-ADC-PSAD联合模型的诊断效能最高,在训练组和测试组中的曲线下面积(area under the curve,AUC)分别为0.882、0.772。Delong检验结果显示,在训练组中,T2WI-ADC-PSAD模型与T2WI模型的AUC比较差异无统计学意义(P>0.05),与其他模型的AUC比较差异均有统计学意义(P<0.05)。在测试组中,T2WI-ADC-PSAD模型与其他模型的AUC比较差异均无统计学意义(P>0.05)。DCA结果显示,当阈值概率低于97%时,T2WI-ADC-PSAD模型可为临床决策提供更高的净效益。结论BpMRI影像组学联合PSAD可提高对低、高级别PCa的诊断效能,并指导患者的治疗决策。 展开更多
关键词 双参数磁共振成像 前列腺特异性抗原密度 影像组学 预测模型 gleason分级分组
下载PDF
基于双参数MRI影像组学机器学习鉴别前列腺癌Gleason评分分级分组中的应用 被引量：2
3
作者 孙于越 张濬韬 +1 位作者 苏月婷 田为中 《中国CT和MRI杂志》 2023年第8期118-120,共3页
目的探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测... 目的探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测试集,分别用于影像组学模型的机器学习和验证,采用RF、SVM和XGboost构建3组模型(ADC、T_(2)WI、ADC+T_(2)WI),采用受试者操作特征(ROC)曲线评估析各模型鉴别GG≤2与GG>2PCa的诊断效能。结果测试集中应用SVM算法的T_(2)WI+ADC模型诊断效能最高,AUC为0.896。其次为T_(2)WI+ADC中的RF模型,AUC为0.871。在各特征集中,RF和SVM算法的模型的AUC均高于XGboost算法。结论基于双参数MRI影像组学机器学习模型可较好地鉴别GG≤2与GG>2PCa。 展开更多
关键词 前列腺癌 gleason评分分级分组 影像组学 机器学习
下载PDF
拉伸指数与单值数弥散成像在前列腺癌恶性度评估上的价值 被引量：2
4
作者 虞怡宁 张盛箭 《中华男科学杂志》 CAS CSCD 北大核心 2019年第12期1106-1112,共7页
目的:探索拉伸指数与单值数弥散成像在前列腺癌恶性度评估方面的价值。方法 :回顾性分析2015年1月至2018年3月来我院就诊的前列腺癌患者,筛选出36例病灶位于外周带的患者(共48个病灶),并且术前均行MRI扫描,弥散序列所用b值为0、500、1 ... 目的:探索拉伸指数与单值数弥散成像在前列腺癌恶性度评估方面的价值。方法 :回顾性分析2015年1月至2018年3月来我院就诊的前列腺癌患者,筛选出36例病灶位于外周带的患者(共48个病灶),并且术前均行MRI扫描,弥散序列所用b值为0、500、1 000、2 000 s/mm^2。在工作站上重建相关参数图谱,以T2WI上病灶最大层面作为感兴趣区进行直方图分析。用Spearman等级相关分析来分析直方图参数与Gleason分组之间的关系。然后采用多参数受试者工作曲线法分析各参数在区分高、低级别前列腺癌上的价值。结果:表观弥散系数(ADC)及分布弥散系数(DDC)的百分位数、均值与Gleason分组具有相关性(相关系数ρ:0.392~0.641),但是α值及所有偏度值及峰度值与Gleason分组不具有明显相关性(相关系数ρ:0.055~0.266)。高级别前列腺癌的ADC相关直方图参数(第10th,25th, 50th,75th百分位数及均值:490±141, 591±137, 695±137, 781±139, 888±135 mm^2/s)及DDC相关直方图参数(第10th,25th, 50th,75th百分位数及均值:420±146, 534±167, 666±182, 787±190, 912±175mm^2/s)比低级别前列腺癌(ADC:636±74, 727±86, 825±85, 907±85, 975±117mm^2/s;DDC:542±80, 666±93, 806±108, 910±110, 1023±105mm^2/s)的低,差异具有统计学意义。但是高、低级别前列腺癌的α值(0.67±0.042 vs 0.64±0.036)及所有峰度值(ADC 0.105 vs 0.078;DDC-0.027 vs-0.401)及偏度值(ADC-0.042 vs 0.067;DDC-0.058vs. 0.162)之间的差异均无统计学意义。ADC值及DDC值的第10百分位数在区分高、低级别前列腺癌上的能力均大于各自的均值,但二者本身差异并无统计学意义。结论:ADC和DDC的直方图参数可预测前列腺癌的恶性度,但α并无此效能,且ADC和DDC的第10百分位数在这方面的效能可能要优于各自的均值。 展开更多
关键词 直方图分析 前列腺癌 gleason分组 弥散成像 拉伸指数 单指数
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部